CN111028824A - 一种用于闽南语的合成方法及其装置 - Google Patents

Abstract

本申请公开了一种用于闽南语的合成方法及其装置，该方法的一具体实施方式包括：通过汉语‑闽南语音素映射词典和闽南语录音分别构建汉语文本库、闽南语音素库和闽南语语音库，通过闽南语音素库和编码解码器将文本数据转换为Mel频谱序列，通过声码器将Mel频谱序列还原为时域下波形序列，最后合成闽南语语音。该方法采用基于端到端模型的深度学习算法，可实现快速、准确地将汉语转换为闽南语，同时调整合成后的闽南语韵律，提高了语音合成的精度。

Description

一种用于闽南语的合成方法及其装置

技术领域

本申请涉及语音合成领域，具体涉及一种用于闽南语的合成方法及其装置。

背景技术

语音合成是一种将文本信息转换成语音的技术，是人机交互中的关键技术之一。传统的语音合成技术主要包含参数合成、拼接合成、隐马尔可夫模型等，而随着深度学习技术的发展，学者们更倾向于模拟人类的智能处理方式，实现语音合成的端到端模型，即输入文本信息后，系统直接输出对应的语音信息。

目前，普通话的语音合成技术已相当成熟，因此，多语种、方言等语音合成逐渐成为语音合成领域的研究热点。在方言语音合成研究进展上，多数合成系统只是利用语音修改技术，对普通话的韵律进行修改，合成的语音在方言特有的读音上略显不足，尤其像闽南语这种具有多音节和多声调的复杂方言，很难实现精确翻译与端到端的快速合成。

发明内容

本申请的目的在于提出了一种改进的用于闽南语的合成方法及其装置，来解决目前的闽南语合成在音节和声调上不精确、无法实现端到端转换的技术问题。

第一方面，本申请提供了一种用于闽南语的合成方法，该方法包括：S1，通过汉语-闽南语音素映射词典和闽南语录音分别构建汉语文本库、闽南语音素库和闽南语语音库；S2，通过汉语文本库对输入的文本数据进行分词，通过闽南语音素库将文本数据分词映射为闽南语音素序列；S3，通过音素嵌入的方式对闽南语音素序列进行特征提取得到闽南语音素序列特征，使用编码解码器将闽南语音素序列特征转换为Mel频谱序列，由声码器将Mel频谱序列还原为时域下波形序列，合成闽南语语音。

在一些实施例中，步骤S3的“通过音素嵌入的方式对闽南语音素序列进行特征提取得到闽南语音素序列特征，使用编码解码器将闽南语音素序列特征转换为Mel频谱序列”具体包括：

S31，对文本数据进行分词以及音素转换，通过音素嵌入的方式提取文本特征后使用卷积神经网络和双向长短时记忆神经网络对特征进行编码，实现文本数据的编码；

S32，通过引入位置敏感注意力机制对编码数据进行解码辅助，具体公式为：

f_i＝F*cα_i-1

其中，s_i是当前步骤解码器循环神经网络的隐状态，h_j是上一步骤循环神经网络的隐状态，W、V、U分别是对应状态的权重矩阵，b是偏置值，初始为0向量，位置特征f_i来自累加注意力权重cα_i的卷积。

在一些实施例中，步骤S3的“由声码器将Mel频谱序列还原为时域下波形序列”具体包括：通过后处理网络将Mel频谱序列转换成Linear频谱序列，再通过Griffin Lim算法将Linear频谱序列还原为时域下波形序列。

在一些实施例中，步骤S3具体还包括：

S30，对闽南语语音库进行声学特征提取以得到Mel频谱序列和Linear频谱序列。

在一些实施例中，声学特征提取具体包括：

S301，对闽南语语音库的语音数据进行预加重处理，具体计算公式为：

H(Z)＝1-μ z^-1

其中，0.9<μ<1.0；

S302，通过短时傅里叶变换(STFT)得到语音数据的Linear谱，具体计算公式为：

其中，Z(t)为源信号，g(t)为窗函数；

S303，通过Mel滤波器组处理Linear谱，得到语音数据的Mel谱，具体计算公式为：

其中，f为Linear谱的频率。

在一些实施例中，闽南语音素序列包括17个声母、62个韵母和7个声调。

第二方面，本申请提供了一种用于闽南语的合成装置，该装置包括：语库构建模块，设置用于通过汉语-闽南语音素映射词典和闽南语录音分别构建汉语文本库、闽南语音素库和闽南语语音库；音素查找模块，设置用于通过汉语文本库对输入的文本数据进行分词，通过闽南语音素库将文本数据分词映射为闽南语音素序列；语音合成模块，设置用于通过音素嵌入的方式对闽南语音素序列进行特征提取得到闽南语音素序列特征，使用编码解码器将闽南语音素序列特征转换为Mel频谱序列，由声码器将Mel频谱序列还原为时域下波形序列，合成闽南语语音。

在一些实施例中，该装置还包括：

编码模块，设置用于对文本数据进行分词以及音素转换，通过音素嵌入的方式提取文本特征后使用卷积神经网络和双向长短时记忆神经网络对特征进行编码，实现文本数据的编码；

注意力模块，设置用于通过引入位置敏感注意力机制对编码数据进行解码辅助，具体公式为：

f_i＝F*cα_i-1

其中，s_i是当前步骤解码器循环神经网络的隐状态，h_j是上一步骤循环神经网络的隐状态，W、V、U分别是对应状态的权重矩阵，b是偏置值，初始为0向量。位置特征f_i来自累加注意力权重cα_i的卷积。

在一些实施例中，该装置还包括：

还原模块，设置用于通过后处理网络将Mel频谱序列转换成Linear频谱序列，再通过Griffin Lim算法将Linear频谱序列还原为时域下波形序列。

在一些实施例中，该装置还包括：

预处理模块，设置用于对闽南语语音库的语音数据进行预加重处理，具体计算公式为：

H(Z)＝1-μ z^-1

其中，0.9<μ<1.0；

变换模块，设置用于通过短时傅里叶变换(STFT)得到语音数据的Linear谱，具体计算公式为：

其中，Z(t)为源信号，g(t)为窗函数；

过滤模块，设置用于通过Mel滤波器组处理Linear谱，得到语音数据的Mel谱，具体计算公式为：

其中，f为Linear谱的频率。

第三方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请提供的用于闽南语的合成方法及其装置，该方法的一具体实施方式包括：通过汉语-闽南语音素映射词典和闽南语录音分别构建汉语文本库、闽南语音素库和闽南语语音库，通过闽南语音素库和编码解码器将文本数据转换为Mel频谱序列，通过声码器将Mel频谱序列还原为时域下波形序列，最后合成闽南语语音。该方法采用基于端到端模型的深度学习算法，可实现快速、准确地将汉语转换为闽南语，同时调整合成后的闽南语韵律，提高了语音合成的精度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请一个实施例的用于闽南语的合成方法的流程图；

图3是根据本申请又一个实施例的用于闽南语的合成方法的流程图；

图4是根据本申请一个实施例的用于闽南语的合成装置的结构示意图；

图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的用于闽南语的合成方法的示例性系统架构100。

如图1所示，系统架构100可以包括数据服务器101，网络102和主服务器103。网络102用以在数据服务器101和主服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

主服务器103可以是提供各种服务的服务器，例如对数据服务器101上传的信息进行处理的数据处理服务器。数据处理服务器可以对接收的事件信息进行处理，并将处理结果(例如要素信息集合、标签)关联存储到事件信息库中。

需要说明的是，本申请实施例所提供的用于闽南语的合成方法一般由主服务器103执行，相应地，用于闽南语的合成装置一般设置于主服务器103中。

需要说明的是，数据服务器和主服务器可以是硬件，也可以是软件。当为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。

应该理解，图1中的数据服务器、网络和主服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的用于闽南语的合成方法的一个实施例的流程200。该方法包括以下步骤：

步骤S1，通过汉语-闽南语音素映射词典和闽南语录音分别构建汉语文本库、闽南语音素库和闽南语语音库。

在本实施例的一些可选的实现方式中，汉语-闽南语音素映射词典可选用新华词典、现代汉语词典、闽南方言特殊表达词典等通用词典，同时闽南语语音库通过闽南语录音录入常用人名和地名。优选的，语音库的闽南语录音分别采用厦、漳、泉三地的代表发音，有利于随时切换，使合成语音更加精确。

步骤S2，通过汉语文本库对输入的文本数据进行分词，通过闽南语音素库将文本数据分词映射为闽南语音素序列。

在本实施例的一些可选的实现方式中，语音合成系统在接收到用户输入的文本后，通过分词模块对输入文本进行分词，将文本分成词语级别或单字级别，然后通过音素查找模块在闽南语音素库中找到对应的闽南语音素。

在本实施例中，鉴于闽南语发音上的多样性，闽南语的音素标注采用特定的“闽南语拼音方案”，该方案基于国际音标(IPA)形成，以计算机可识别的26个英文字母表示，其中包含声母17个，韵母62个，声调7个，具体定义如表1-表3所示。闽南语音素标注采用声母、韵母与声调结合的形式，按照合成系统的规则，声母、韵头、韵腹、韵尾与声调之间分别以空格隔开。

表1：声母表

表2：韵母表

表3：声调符号

步骤S3，通过音素嵌入的方式对闽南语音素序列进行特征提取得到闽南语音素序列特征，使用编码解码器将闽南语音素序列特征转换为Mel频谱序列，由声码器将Mel频谱序列还原为时域下波形序列，合成闽南语语音。

在本实施例中，常用的文本特征提取模块通常采用字符嵌入或音素嵌入来提取音素序列特征，字符嵌入代表单个字符由一个固定维度的向量来表征，音素嵌入则是单个音素由一个固定维度的向量来表征，优选的，本发明采用音素作为建模的单元，以提高闽南语合成的准确性。

在本实施例的一些可选的实现方式中，编码器部分使用卷积神经网络和双向长短时记忆神经网络，通过卷积神经网络对输入的音素序列特征进行处理，得到关于特征的类似N-grams格式的上下文信息以及通过双向长短时记忆神经网络实现上下文信息的双向提取，完成文本数据的编码。

在本实施例的一些可选的实现方式中，使用引入位置敏感注意力机制的解码器对编码器的输出进行解码，可基于内容的注意力机制将不同的输出和相应的输入元素连接。本发明使用了模型Tacotron2中位置敏感注意力机制，对基于内容的注意力机制进行了扩展，具体公式为：

f_i＝F*cα_i-1

其中，s_i是当前步骤解码器循环神经网络的隐状态，h_j是上一步骤循环神经网络的隐状态，W、V、U分别是对应状态的权重矩阵，b是偏置值，初始为0向量。位置特征f_i来自累加注意力权重cα_i的卷积。

在本实施例的一些可选的实现方式中，解码器使用两层预处理网络后接两层长短时记忆神经网络的结构，长短时记忆神经网络的输出经过一层线性变换层得到所要预测的帧。在每次解码时，可同时预测多个非重叠的帧，从而降低模型的复杂度并减少模型训练和预测的时间。

在本实施例的一些可选的实现方式中，通过后处理网络将Mel频谱序列转换成Linear频谱序列，再通过Griffin Lim算法将Linear频谱序列还原为时域下波形序列。Griffin Lim算法可以在不破坏相邻的幅度谱和自身幅度谱的情况下，求一个近似的相位。

在本实施例的一些可选的实现方式中，后处理网络使用CBHG模块，在一个线性频率范围内预测幅度谱，以便能看到整个解码的序列，并通过反向传播来修正每一帧的错误。

在本实施例中，CBHG模块由一维卷积滤波器组、残差连接、多层高速公路网络和双向门控循环单元网络(RGU)组成。一维卷积滤波器是由m个大小不同的一维滤波器组成的卷积层，滤波器的大小分别为1,2,3…m。同时，使用残差连接可以缓解神经网络过深导致的梯度弥散问题。多层高速公路网络用来缓解网络加深带来的过拟合问题和减少较深网络的训练难度，最后使用双向门控循环单元网络来前后双向提取特征序列。

本申请的上述实施例提供的方法，通过汉语-闽南语音素映射词典和闽南语录音分别构建汉语文本库、闽南语音素库和闽南语语音库，通过闽南语音素库和编码解码器将文本数据转换为Mel频谱序列，通过声码器将Mel频谱序列还原为时域下波形序列，最后合成闽南语语音。该方法采用基于端到端模型的深度学习算法，可实现快速、准确地将汉语转换为闽南语，同时调整合成后的闽南语韵律，提高了语音合成的精度。

进一步参考图3，其示出了根据本申请的用于闽南语的合成方法的又一个实施例的流程300。该方法包括以下步骤：

步骤S1，通过汉语-闽南语音素映射词典和闽南语录音分别构建汉语文本库、闽南语音素库和闽南语语音库。

在本实施例中，步骤S1与图2对应实施例中的步骤S1基本一致，这里不再赘述。

步骤S2，通过汉语文本库对输入的文本数据进行分词，通过闽南语音素库将文本数据分词映射为闽南语音素序列。

在本实施例中，步骤S2与图2对应实施例中的步骤S2基本一致，这里不再赘述。

步骤S30，对闽南语语音库进行声学特征提取以得到Mel频谱序列和Linear频谱序列。

在本实施例的一些可选的实现方式中，采用Mel谱和Linear谱作为声学特征，充当连接文本和音频之间的媒介。首先对闽南语语音库的语音数据进行预加重处理，将原始语音信号通过一个高通滤波器，具体计算公式为：

H(Z)＝1-μ z^-1

其中，μ的值通常介于0.9～1.0之间，优选的，可取0.97的经验值；

在本实施例中，通过短时傅里叶变换(STFT)得到语音数据的Linear谱，具体计算公式为：

其中，Z(t)为源信号，g(t)为窗函数；

在本实施例中，通过Mel滤波器组处理Linear谱，得到语音数据的Mel谱，具体计算公式为：

其中，f为Linear谱的频率。

在本实施例中，提取声学特征时帧长设置为50ms，帧移设置为12.5ms，同时考虑到16KHz和44.1KHz两种采样率的语音特征，当采样率为16KHz时提取80维的Mel谱特征和513维的Linear谱特征，当采样率为44.1KHz时提取80维的MEL谱和2049维的Linear谱特征。

步骤S3，通过音素嵌入的方式对闽南语音素序列进行特征提取得到闽南语音素序列特征，使用编码解码器将闽南语音素序列特征转换为Mel频谱序列，由声码器将Mel频谱序列还原为时域下波形序列，合成闽南语语音。

在本实施例中，步骤S3与图2对应实施例中的步骤S3基本一致，这里不再赘述。

从图3中可以看出，与图2对应的实施例相比，本实施例中的用于闽南语的合成方法的流程300突出了中间的声学特征提取步骤。由此，本实施例描述的方案可以根据音素和音频数据提前进行网络训练，得到音素与音频之间的映射关系，在实际使用的时候，将经过嵌入处理的音素作为网络的输入，可快速获取对应的Mel谱序列，提高闽南语的合成速度。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于闽南语的合成装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的用于闽南语的合成装置400包括：

语库构建模块401，设置用于通过汉语-闽南语音素映射词典和闽南语录音分别构建汉语文本库、闽南语音素库和闽南语语音库。

音素查找模块402，设置用于通过汉语文本库对输入的文本数据进行分词，通过闽南语音素库将文本数据分词映射为闽南语音素序列。

语音合成模块403，设置用于通过音素嵌入的方式对闽南语音素序列进行特征提取得到闽南语音素序列特征，使用编码解码器将闽南语音素序列特征转换为Mel频谱序列，由声码器将Mel频谱序列还原为时域下波形序列，合成闽南语语音。

在本实施例的一些可选的实现方式中，该装置还包括：

编码模块，设置用于对文本数据进行分词以及音素转换，通过音素嵌入的方式提取文本特征后使用卷积神经网络和双向长短时记忆神经网络对特征进行编码，实现文本数据的编码；

注意力模块，设置用于通过引入位置敏感注意力机制对编码数据进行解码辅助，具体公式为：

f_i＝F*cα_i-1

其中，s_i是当前步骤解码器循环神经网络的隐状态，h_j是上一步骤循环神经网络的隐状态，W、V、U分别是对应状态的权重矩阵，b是偏置值，初始为0向量。位置特征f_i来自累加注意力权重cα_i的卷积。

在本实施例的一些可选的实现方式中，该装置还包括：

还原模块，设置用于通过后处理网络将Mel频谱序列转化成Linear频谱序列，再通过Griffin Lim算法将Linear频谱序列还原为时域下波形序列。

在本实施例的一些可选的实现方式中，该装置还包括：

声学特征提取模块，设置用于对闽南语语音库进行声学特征提取以得到Mel频谱序列和Linear频谱序列。

在本实施例的一些可选的实现方式中，该装置还包括：

预处理模块，设置用于对闽南语语音库的语音数据进行预加重处理，具体计算公式为：

H(Z)＝1-μ z^-1

其中，0.9<μ<1.0；

变换模块，设置用于通过短时傅里叶变换(STFT)得到语音数据的Linear谱，具体计算公式为：

其中，Z(t)为源信号，g(t)为窗函数；

过滤模块，设置用于通过Mel滤波器组处理Linear谱，得到语音数据的Mel谱，具体计算公式为：

其中，f为Linear谱的频率。

本申请的上述实施例提供的装置，通过汉语-闽南语音素映射词典和闽南语录音分别构建汉语文本库、闽南语音素库和闽南语语音库，通过闽南语音素库和编码解码器将文本数据转换为Mel频谱序列，通过声码器将Mel频谱序列还原为时域下波形序列，最后合成闽南语语音。该方法采用基于端到端模型的深度学习算法，可实现快速、准确地将汉语转换为闽南语，同时调整合成后的闽南语韵律，提高了语音合成的精度。

下面参考图5，其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：通过汉语-闽南语音素映射词典和闽南语录音分别构建汉语文本库、闽南语音素库和闽南语语音库；通过汉语文本库对输入的文本数据进行分词，通过闽南语音素库将文本数据分词映射为闽南语音素序列；通过音素嵌入的方式对闽南语音素序列进行特征提取得到闽南语音素序列特征，使用编码解码器将闽南语音素序列特征转换为Mel频谱序列，由声码器将Mel频谱序列还原为时域下波形序列，合成闽南语语音。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于闽南语的合成方法，其特征在于，所述方法包括以下步骤：

S1，通过汉语-闽南语音素映射词典和闽南语录音分别构建汉语文本库、闽南语音素库和闽南语语音库；

S2，通过所述汉语文本库对输入的文本数据进行分词，通过所述闽南语音素库将所述文本数据分词映射为闽南语音素序列；以及

S3，通过音素嵌入的方式对所述闽南语音素序列进行特征提取得到闽南语音素序列特征，使用编码解码器将所述闽南语音素序列特征转换为Mel频谱序列，由声码器将所述Mel频谱序列还原为时域下波形序列，合成闽南语语音。

2.根据权利要求1所述的用于闽南语的合成方法，其特征在于，所述步骤S3的“通过音素嵌入的方式对所述闽南语音素序列进行特征提取得到闽南语音素序列特征，使用编码解码器将所述闽南语音素序列特征转换为Mel频谱序列”具体包括：

S31，对所述文本数据进行分词以及音素转换，通过音素嵌入的方式提取文本特征后使用卷积神经网络和双向长短时记忆神经网络对特征进行编码，实现所述文本数据的编码；

S32，通过引入位置敏感注意力机制对所述编码数据进行解码辅助，具体公式为：

f_i＝F*cα_i-1

其中，s_i是当前步骤解码器循环神经网络的隐状态，h_j是上一步骤循环神经网络的隐状态，W、V、U分别是对应状态的权重矩阵，b是偏置值，初始为0向量，位置特征f_i来自累加注意力权重cα_i的卷积。

3.根据权利要求1所述的用于闽南语的合成方法，其特征在于，所述步骤S3的“由声码器将所述Mel频谱序列还原为时域下波形序列”具体包括：

通过后处理网络将所述Mel频谱序列转换成Linear频谱序列，再通过Griffin Lim算法将所述Linear频谱序列还原为时域下波形序列。

4.根据权利要求3所述的用于闽南语的合成方法，其特征在于，所述步骤S3具体还包括：

S30，对所述闽南语语音库进行声学特征提取以得到所述Mel频谱序列和所述Linear频谱序列。

5.根据权利要求3所述的用于闽南语的合成方法，其特征在于，所述声学特征提取具体包括：

S301，对所述闽南语语音库的语音数据进行预加重处理，具体计算公式为：

H(Z)＝1-μ·z^-1

其中，0.9<μ<1.0；

S302，通过短时傅里叶变换(STFT)得到所述语音数据的Linear谱，具体计算公式为：

其中，Z(t)为源信号，g(t)为窗函数；

S303，通过Mel滤波器组处理所述Linear谱，得到所述语音数据的Mel谱，具体计算公式为：

其中，f为Linear谱的频率。

6.根据权利要求1所述的用于闽南语的合成方法，其特征在于，所述闽南语音素序列包括17个声母、62个韵母和7个声调。

7.一种用于闽南语的合成装置，其特征在于，所述装置包括：

语库构建模块，设置用于通过汉语-闽南语音素映射词典和闽南语录音分别构建汉语文本库、闽南语音素库和闽南语语音库；

音素查找模块，设置用于通过所述汉语文本库对输入的文本数据进行分词，通过所述闽南语音素库将所述文本数据分词映射为闽南语音素序列；以及

语音合成模块，设置用于通过音素嵌入的方式对所述闽南语音素序列进行特征提取得到闽南语音素序列特征，使用编码解码器将所述闽南语音素序列特征转换为Mel频谱序列，由声码器将所述Mel频谱序列还原为时域下波形序列，合成闽南语语音。

8.根据权利要求7所述的用于闽南语的合成装置，其特征在于，所述装置还包括：

编码模块，设置用于对所述文本数据进行分词以及音素转换，通过音素嵌入的方式提取文本特征后使用卷积神经网络和双向长短时记忆神经网络对特征进行编码，实现所述文本数据的编码；

注意力模块，设置用于通过引入位置敏感注意力机制对所述编码数据进行解码辅助，具体公式为：

f_i＝F*cα_i-1

其中，s_i是当前步骤解码器循环神经网络的隐状态，h_j是上一步骤循环神经网络的隐状态，W、V、U分别是对应状态的权重矩阵，b是偏置值，初始为0向量，位置特征f_i来自累加注意力权重cα_i的卷积。

9.根据权利要求7所述的用于闽南语的合成装置，其特征在于，所述装置还包括：

还原模块，设置用于通过后处理网络将所述Mel频谱序列转换成Linear频谱序列，再通过Griffin Lim算法将所述Linear频谱序列还原为时域下波形序列。

10.根据权利要求7所述的用于闽南语的合成装置，其特征在于，所述装置还包括：

声学特征提取模块，设置用于对所述闽南语语音库进行声学特征提取以得到所述Mel频谱序列和Linear频谱序列。

11.根据权利要求7所述的用于闽南语的合成装置，其特征在于，所述装置还包括：

预加重处理模块，设置用于对所述闽南语语音库的语音数据进行预加重处理，具体计算公式为：

H(Z)＝1-μ·z^-1

其中，0.9<μ<1.0；

变换模块，设置用于通过短时傅里叶变换(STFT)得到所述语音数据的Linear谱，具体计算公式为：

其中，Z(t)为源信号，g(t)为窗函数；

滤波处理模块，设置用于通过Mel滤波器组处理所述Linear谱，得到所述语音数据的Mel谱，具体计算公式为：

其中，f为Linear谱的频率。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。

Images